企业官网建设流程全解析

1. 项目概述：为什么特征分布分析是建模的“地基”

做数学建模，无论是参加竞赛还是解决实际业务问题，很多朋友一上来就急着找模型、调参数，恨不得直接把数据塞进算法里跑出结果。我见过太多队伍，花几天时间折腾复杂的神经网络或者集成学习，最后效果还不如一个简单的线性回归，问题往往就出在第一步——对数据本身“长什么样”缺乏最基本的了解。数据特征分布分析，就是建模前那项看似枯燥、实则至关重要的“体检”工作。它决定了你后续所有工作的方向和质量。

简单来说，特征分布分析就是通过一系列统计方法和可视化手段，系统地审视每一个输入变量（特征）的取值情况、集中趋势、离散程度、形态以及与其他特征或目标变量的关系。这就像医生在开药前，必须先看化验单上的各项指标是否正常、有无异常值、指标间是否有关联。忽略这一步，你的模型很可能建立在错误的假设之上，比如误用了要求数据正态分布的算法，或者被几个极端值带偏了整个模型的判断。

这个内容适合所有即将或正在参与数学建模的朋友，无论是刚入门的新手，还是有一定经验但想提升模型稳健性的同学。掌握它，不能保证你拿奖，但能极大避免你犯低级错误，让你的模型方案更扎实、更有说服力。接下来，我会结合多年带队和评审的经验，拆解特征分布分析的核心思路、具体操作、常用工具以及那些容易踩坑的细节。

2. 特征分布分析的核心价值与目标拆解

在深入具体方法之前，我们必须先想清楚：做这件事到底是为了什么？漫无目的地画几个直方图没有意义。特征分布分析通常服务于以下几个核心目标，你的所有操作都应围绕这些目标展开。

2.1 目标一：验证模型假设与指导算法选型

很多经典统计模型和机器学习算法对数据分布有隐含假设。最典型的例子就是线性回归，它假设残差（误差）服从正态分布。虽然模型对特征本身的正态性要求不严格，但如果特征严重偏态，可能会通过影响残差而违反假设。类似地，一些距离度量（如欧氏距离）在特征尺度差异巨大或分布非正态时，其计算的有效性会大打折扣，进而影响K-Means聚类、KNN分类等算法的效果。

通过分布分析，你可以：

• 判断是否需要数据变换：如果特征呈现严重的右偏（大量小值，少数极大值）或左偏，考虑进行对数变换（log）、平方根变换（sqrt）或Box-Cox变换，使其更接近正态分布，以满足模型假设或提升模型性能。
• 指导算法选择：发现特征与目标变量间存在明显的非线性关系（如指数、对数关系），那么线性模型可能不是最佳选择，树模型（如决策树、随机森林）或带核函数的SVM可能更合适。如果特征是类别型且类别众多，可能需要考虑编码方式（如目标编码、频率编码）或专门处理高基数特征的模型。

2.2 目标二：识别数据问题与指导预处理

脏数据是模型的“毒药”。分布分析是发现数据问题最直观的手段。

• 异常值检测：通过箱线图、3σ原则（针对近似正态分布的数据）、或基于分位数的方法（如IQR），可以快速定位那些远离数据主体的“离群点”。你需要判断这些点是录入错误（需修正或删除），还是具有特殊意义的正常现象（需保留或单独处理）。
• 缺失值模式探索：缺失值不是随机出现的？通过分析缺失值在特征间的分布，你可能发现其与某个其他特征高度相关。例如，“收入”字段的缺失可能集中出现在“职业”为“学生”的样本中。这种“非随机缺失”机制对后续插补策略的选择至关重要。
• 数据一致性检查：对于类别特征，查看其唯一值列表和频数分布，可能会发现“北京”、“北京市”、“Beijing”这种本应属于同一类别的不同表述，需要进行数据清洗和标准化。

2.3 目标三：探索特征与目标的关系（特征工程的方向灯）

这是特征分布分析进阶的价值所在。单变量分析看自身，多变量分析看关系。

• 预测能力初筛：对于分类问题，可以绘制不同类别下某个特征的分布密度曲线（或箱线图）。如果不同类别的分布重叠严重，说明该特征区分能力可能较弱；如果分布分离明显，则这是一个强特征。对于回归问题，可以绘制特征与目标变量的散点图，观察是否存在趋势、是否线性、是否有异方差性（方差随均值变化）。
• 启发特征交互与构造：观察两个特征与目标的关系，可能会启发你构造新的交互特征。例如，在房价预测中，单独看“房屋面积”和“房间数”与房价的关系，可能不如“面积/房间数”（平均房间面积）这个新特征与房价的相关性高。

2.4 目标四：评估数据质量与采样代表性

在建模，特别是构建训练集/测试集时，你需要确保采样能够代表总体。

• 检查样本分布：对比训练集、验证集、测试集中关键特征的分布是否一致。如果差异巨大，那么模型在测试集上的表现将不可靠，存在数据泄露或划分不合理的风险。
• 评估类别不平衡：对于分类问题，直接查看目标变量的类别分布。严重的类别不平衡（如99:1）会导致模型倾向于预测多数类，需要采用重采样（过采样、欠采样）或调整类别权重等策略。

注意：特征分布分析是一个探索性过程，其结论通常是“指示性”而非“决定性”的。它告诉你“哪里可能有问题”、“可以尝试什么方向”，但最终的判断和决策还需要结合业务知识和后续的模型实验来验证。

3. 单变量分布分析：从描述统计到可视化深潜

单变量分析是基础中的基础，目标是全面了解一个特征自身的“脾气秉性”。我习惯按“数字描述 -> 图形观察 -> 深入检验”三步走。

3.1 描述性统计：用数字勾勒轮廓

首先，用几组关键统计量快速把握特征全貌。对于连续型数值特征，我必看以下几项：

1. 集中趋势：均值、中位数、众数。

   • 为什么看：均值对异常值敏感，中位数稳健。如果均值远大于中位数（右偏），说明存在较大的异常值拉高了平均水平。众数在连续数据中意义不大，但在离散化后或类别数据中很重要。
   • 实操示例：分析某城市个人年收入数据。均值是50万，中位数是20万。这个巨大的差距立刻警示：数据严重右偏，存在少数极高收入者。此时报告中若只说“平均收入50万”是极具误导性的，中位数20万更能代表普通人的情况。

2. 离散程度：标准差、方差、极差、四分位距。

   • 为什么看：衡量数据的波动范围。标准差/方差越大，数据越分散。极差（最大值-最小值）受异常值影响大。我更依赖四分位距：IQR = Q3 (75%分位数) - Q1 (25%分位数)。它描述了中间50%数据的范围，对异常值不敏感。
   • 计算示例：假设某特征Q1=30, Q3=70，则IQR=40。通常认为，小于Q1 - 1.5*IQR或大于Q3 + 1.5*IQR的值是潜在的异常值。上例中，异常值边界为30-1.5*40 = -30和70+1.5*40=130。任何小于-30或大于130的值都需要重点关注。

3. 分布形态：偏度、峰度。

   • 偏度：衡量分布不对称性。>0为右偏（长尾在右），<0为左偏（长尾在左），接近0为对称。
   • 峰度：衡量分布陡峭程度。通常与标准正态分布（峰度≈3或0，取决于定义）比较。>3（或>0）为尖峰厚尾，<3（或<0）为平峰薄尾。
   • 注意：这两个指标对样本量敏感，小样本时参考价值有限，最好结合可视化判断。

对于类别型特征，主要看频数和比例。检查类别是否均匀，是否存在“长尾类别”（即绝大多数样本集中在少数几个类别，其他类别样本极少）。

3.2 可视化：让分布“一目了然”

数字是骨架，图形是血肉。下面这几种图是我最常用的“组合拳”。

直方图与密度曲线图：

• 用途：最直观展示连续特征分布形状、中心位置和展布。
• 关键技巧：bin（箱子）数量的选择至关重要。太多会导致图形嘈杂，太少会掩盖细节。一个经验法则是从sqrt(n)（样本量的平方根）开始尝试，或使用Sturges公式k = ceil(log2(n)) + 1。在Python的seaborn或matplotlib中，可以尝试bins='auto'或bins='fd'（Freedman-Diaconis规则），它们通常效果不错。
• 结合使用：在直方图上叠加密度曲线（KDE），可以更平滑地展示分布趋势。但要注意，KDE在样本量小或边界明显时可能产生误导（例如，年龄不可能为负，但KDE曲线可能会延伸到负半轴）。

箱线图：

• 用途：展示五数概括（最小值、Q1、中位数、Q3、最大值），尤其擅长识别异常值。箱体代表IQR，须线通常延伸到1.5倍IQR以内的最远数据点，之外的点单独标出，即为异常值。
• 实操心得：箱线图特别适合快速比较多个特征的分布，或比较同一特征在不同分组下的分布。在建模竞赛中，用一页PPT展示所有特征的箱线图，能迅速向评委传达数据的基本质量和分布差异。

Q-Q图（分位数-分位数图）：

• 用途：专门用于检验数据是否服从某种理论分布（最常用的是正态分布）。
• 怎么看：将数据的分位数与理论分布（如标准正态分布）的分位数画成散点图。如果点大致落在一条45度直线上，则说明数据符合该分布。如果曲线两端偏离直线，说明尾部与理论分布不符；如果呈S形，说明偏态。
• 注意：这是检验正态性的有力工具，比单纯看偏度峰度更可靠。

小提琴图：

• 用途：箱线图的增强版，结合了箱线图和密度图。它既展示了中位数、IQR等统计量，又通过宽度展示了任意位置的密度，能更精细地揭示数据的多峰分布等复杂形态。
• 适用场景：当需要深入比较不同组别数据分布的详细形状时，小提琴图比箱线图信息量更大。

踩坑记录：曾经在一次比赛中，我们有一个“用户活跃度”特征，直方图看起来大致对称，偏度接近0，就以为它接近正态分布，直接用于了某些假设正态的模型。结果模型残差检验一直不通过。后来画了Q-Q图，才发现两端有轻微但系统性的偏离，说明存在厚尾。对其进行对数变换后，模型效果显著提升。教训：重要特征的分布检验，一定要Q-Q图可视化确认，不能只看描述统计和直方图。

4. 多变量关系分析：发现特征间的“故事”

单变量分析是了解“个体”，多变量分析则是洞察“关系”。这是特征工程和模型理解的关键。

4.1 连续 vs 连续：相关性与趋势

• 散点图：研究两个连续变量关系最直接的武器。看点的分布形态：是线性、指数、对数关系，还是毫无规律？是否存在明显的集群？是否有离群点扭曲了整体关系？
• 相关系数矩阵热力图：当特征众多时，逐个画散点图不现实。计算所有数值特征两两之间的相关系数（皮尔逊相关系数适用于线性关系，斯皮尔曼等级相关系数适用于单调关系），并用热力图展示。
  • 怎么看：颜色越深（如深红或深蓝），绝对值相关性越强。重点关注与目标变量相关性高的特征，也关注特征之间相关性过高（如>0.8或<-0.8）的情况，这可能存在多重共线性问题，需要考虑降维或剔除。
  • 注意：相关系数只能度量线性关系。两个变量有很强的非线性关系时，相关系数可能接近0。所以，热力图是快速筛查工具，发现疑似关系后，一定要回去画散点图确认。

4.2 类别 vs 连续：组间差异

• 分组箱线图/小提琴图：这是最常用的方法。根据类别型特征的不同取值分组，分别绘制连续特征的箱线图或小提琴图。
• 用途：直观比较不同类别下，连续特征的集中趋势、离散程度和分布形态是否有显著差异。例如，比较不同学历人群的收入分布，不同治疗方案下患者的康复时间分布。
• 统计检验辅助：图形显示了差异，但差异是否在统计上显著？可以结合方差分析（ANOVA，适用于多组比较）或Kruskal-Wallis H检验（非参数版本，不假设正态性）进行验证。

4.3 类别 vs 类别：关联性分析

• 交叉表与堆叠柱状图：制作两个类别特征的交叉频数表，并可视化（如堆叠百分比柱状图）。
• 用途：观察两个类别特征是否独立。例如，分析“性别”与“是否购买某产品”之间的关系。
• 统计检验辅助：使用卡方检验来判断观察到的关联是否具有统计显著性。

4.4 特征与目标：建模的指南针

这是所有分析中最重要的一环，直接服务于模型构建。

• 回归问题（连续目标）：

  • 散点图矩阵：如果特征不多，可以绘制每个特征与目标变量的散点图，观察趋势和异常。
  • 条件分布图：对于某个特征，按照其值分段（或离散化），在每一段内绘制目标变量的分布（如箱线图）。这可以揭示非线性关系，比如特征在低值区间对目标影响大，在高值区间影响变小。

• 分类问题（类别目标）：

  • 分布对比图：对每个连续特征，分别绘制目标变量每个类别下的密度曲线。曲线分离度越高，该特征的判别能力越强。下图是一个示例，可以看到Feature 1对区分Class 0和Class 1的能力远强于Feature 2。
  • 雷达图/平行坐标图（适用于特征不多时）：可以同时展示多个特征在不同类别下的平均水平，直观感受不同类别在特征空间中的位置差异。

5. 分布分析实战流程与工具链

理论说再多，不如动手走一遍。我以最常用的Python环境为例，分享一套标准化的实战流程和工具选择。

5.1 环境准备与数据加载

首先，导入你的“数据分析武器库”。我的标准起手式是：

import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from scipy import stats import warnings warnings.filterwarnings('ignore') # 忽略烦人的警告 sns.set_style("whitegrid") # 设置seaborn绘图风格 plt.rcParams['font.sans-serif'] = ['SimHei'] # 解决中文显示问题 plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题

用pandas加载数据后，第一时间使用df.info()和df.describe(include='all')。

• df.info()：快速查看数据维度、每列数据类型、非空值数量，对缺失情况有全局把握。
• df.describe()：对数值列生成描述性统计汇总（计数、均值、标准差、最小值、分位数、最大值）。使用include='all'可以同时包含类别列的频数统计（最高频类别及其出现次数）。

5.2 自动化初步扫描报告

对于中大型数据集，手动逐个特征分析效率太低。我强烈推荐使用pandas-profiling（现已升级为ydata-profiling）或Sweetviz库生成自动化EDA报告。

from ydata_profiling import ProfileReport profile = ProfileReport(df, title="数据特征分析报告", explorative=True) profile.to_file("feature_analysis_report.html")

这个HTML报告会包含：

• 数据概览
• 每个变量的详细分析（类型、缺失、唯一值、统计量、直方图/频数图）
• 变量间的交互分析（相关性矩阵、散点图样本）
• 缺失值相关性分析
• 样本数据预览

它的价值在于：在5分钟内给你一个全局视角，帮你快速锁定需要人工深入审查的“问题特征”，比如高缺失率、高基数类别、强相关特征对、明显的异常值等。但它不能替代你的深度思考，报告中的发现需要你结合业务背景进一步解读。

5.3 深度手动分析流程

在自动化报告指出方向后，进入手动深度分析。我通常按以下顺序进行：

1. 处理缺失与异常：基于分布分析的结果，决定对缺失值和异常值的处理策略（删除、插补、盖帽、分箱等）。例如，对于右偏分布中的极大异常值，可以考虑用分位数进行盖帽（如将大于99%分位数的值替换为99%分位数）。
2. 分布变换尝试：对严重偏态的特征，尝试变换并观察效果。常用代码：

   fig, axes = plt.subplots(2, 2, figsize=(12, 8)) # 原始分布 sns.histplot(df['skewed_feature'], kde=True, ax=axes[0, 0]) axes[0, 0].set_title('原始分布') # 对数变换 (注意：特征值需为正) if (df['skewed_feature'] > 0).all(): sns.histplot(np.log1p(df['skewed_feature']), kde=True, ax=axes[0, 1]) # log1p防止log(0) axes[0, 1].set_title('对数变换后') # 平方根变换 sns.histplot(np.sqrt(df['skewed_feature']), kde=True, ax=axes[1, 0]) axes[1, 0].set_title('平方根变换后') # Box-Cox变换 (要求数据为正) from scipy.stats import boxcox if (df['skewed_feature'] > 0).all(): transformed_data, _ = boxcox(df['skewed_feature']) sns.histplot(transformed_data, kde=True, ax=axes[1, 1]) axes[1, 1].set_title('Box-Cox变换后') plt.tight_layout() plt.show()

3. 关键关系可视化：聚焦与目标变量相关性最高的前N个特征，以及特征间相关性高的组合，绘制精细的散点图（可加入回归线）、条件分布图或分组小提琴图。
4. 记录与文档化：将分析过程中的关键发现（如“特征A严重右偏，经对数变换后接近正态”、“特征B与特征C相关性达0.9，考虑剔除B”、“特征D在目标类别0和1上分布差异显著”）记录下来。这不仅有助于团队沟通，也是后续特征工程和模型解释的重要依据。

5.4 工具选型心得

• Pandas + Seaborn + Matplotlib：这是黄金组合，灵活强大，可定制化程度极高，适合需要精细控制的分析和报告制作。
• YData-Profiling / Sweetviz：用于初探和快速汇报，效率无敌。在竞赛或项目初期，生成一个报告给队友或导师看，非常专业。
• Plotly / Bokeh：如果你需要制作交互式图表，嵌入网页或仪表板，这两个库是更好的选择。它们允许读者悬停查看数据点详情、缩放区域等。
• 专业统计软件（如R）：如果团队擅长R语言，ggplot2在统计图形语法上非常优雅，dplyr进行数据操作也很流畅。但对于大多数数学建模场景（特别是国内竞赛），Python生态的通用性和库的丰富性使其成为更主流的选择。

实操心得：不要沉迷于制作“漂亮”的图表而忽略了分析的本质。图形的目的是为了更清晰地传达信息。在建模报告中，多用组合图（如将直方图、箱线图、Q-Q图放在一起对比），少用花哨的3D图或饼图（特别是类别多的饼图，很难比较）。确保图表标题清晰、坐标轴有标签、图例明了。一张信息过载或含义模糊的图，不如一张简洁明了的图。

6. 从分析到决策：指导特征工程与模型构建

特征分布分析的最终目的是为了行动。以下是如何将分析结论转化为具体建模策略。

6.1 基于分布的特征工程操作

1. 异常值处理：

   • 删除：仅当异常值确定是错误数据且数量很少时。
   • 盖帽/缩尾：将超出特定分位数（如1%和99%）的值替换为该分位数值。适用于右偏分布中的极大值。
   • 分箱：将连续值离散化到几个区间中，异常值会被归入最高或最低的箱。这既处理了异常值，有时还能捕捉非线性关系。
   • 视为缺失值：用处理缺失值的方法（如中位数、众数插补）来处理。

2. 数据变换：

   • 正态化：对偏态特征进行对数、平方根、Box-Cox变换，使其更接近正态分布，提升许多模型（如线性模型、基于距离的模型）的稳定性和性能。
   • 标准化：将特征缩放为均值为0、标准差为1。这不改变分布形状，只改变尺度和中心。适用于基于距离的算法（如SVM、KNN）和梯度下降优化的算法（如神经网络、线性回归）。
   • 归一化：将特征缩放到[0,1]或[-1,1]区间。同样不改变分布形状。适用于需要统一量纲的场景。
   • 选择原则：如果特征大致对称且无明显异常值，标准化/归一化即可。如果特征严重偏态，先进行变换使其相对对称，再进行缩放。

3. 特征构造：

   • 交互项：当散点图提示两个特征与目标可能存在协同效应时，尝试构造乘积项、比值项等（如“收入/家庭人数”=人均收入）。
   • 多项式特征：当发现特征与目标存在非线性关系（如U型、抛物线型），可以尝试添加该特征的平方项、立方项。但要小心过拟合。
   • 分箱离散化：将连续特征分箱成有序的类别特征。可以处理非线性关系，减轻异常值影响，并使模型更容易理解。分箱策略可以是等宽、等频或基于聚类、决策树。

6.2 基于分布的模型选择与评估调整

1. 算法适应性：

   • 线性模型/逻辑回归：对特征多重共线性敏感（需查看相关系数矩阵），对异常值敏感。要求误差项分布假设（可通过残差图检验）。
   • 树模型（决策树、随机森林、XGBoost/LightGBM）：对数据分布没有要求，不受量纲影响，对异常值不敏感，能自动处理非线性关系。因此，当数据分布复杂、存在大量异常值和非线性关系时，树模型通常是更稳健的起点。
   • 支持向量机：对特征尺度敏感，必须进行标准化/归一化。核函数的选择与特征空间的分布形态有关。
   • 神经网络：通常需要标准化输入数据以加速收敛。对数据分布没有强假设，但数据质量影响巨大。

2. 评估策略调整：

   • 类别不平衡：如果目标变量分布严重不平衡，准确率不再是一个可靠的指标。应使用精确率、召回率、F1-score、AUC-ROC曲线，并考虑在训练时使用类别权重、过采样（SMOTE）或欠采样。
   • 数据划分：如果数据存在明显的时间趋势或组别结构（如来自不同城市的数据），不能简单随机划分训练集和测试集。应确保测试集能代表整体分布（如按时间划分、按组别分层抽样），这需要基于对特征分布的理解。

7. 常见问题与排查技巧实录

在实际操作中，你一定会遇到各种问题。下面是我总结的一些典型场景和应对方法。

7.1 可视化图表“失灵”或难以解读

• 问题：直方图看起来乱七八糟，像多个山峰叠加。

• 排查：这可能是数据中存在多个子群体（多峰分布）。尝试按某个重要的类别特征分组绘制直方图。例如，“用户消费金额”的总体分布可能双峰，但按“用户等级”（普通/VIP）分组后，每个组内的分布可能就是单峰了。这提示你需要考虑群体差异，或者将该类别特征作为模型输入。

• 问题：箱线图显示有大量“异常值”，几乎不像是异常。

• 排查：检查数据分布是否极度偏斜。在偏态分布中，箱线图基于IQR的异常值检测方法可能会将许多正常数据点标记为异常。此时，应结合业务判断。对于右偏的金额数据，那些“异常值”可能正是高价值客户，不能简单剔除。考虑使用对数变换后再画箱线图，或改用基于百分位数的阈值（如认定>99.5%分位数的为异常）。

• 问题：散点图上一片模糊，看不出任何关系。

• 排查：

  1. 数据量太大，点严重重叠。尝试使用抽样（如随机抽取1%的样本）画图，或使用带透明度的散点图（alpha=0.1或更低），重叠越多颜色越深。
  2. 使用二维密度图（sns.kdeplot或plt.hexbin），用颜色深浅表示点的密度，能清晰展示数据聚集区域。
  3. 关系可能被少数极端值掩盖。尝试对X轴和Y轴都取对数后再画图（plt.xscale('log'),plt.yscale('log')），这常用于展示指数增长关系。

7.2 统计指标与图形结论矛盾

• 问题：两个特征的相关系数很高（如0.85），但散点图看起来并不像强线性关系。

• 排查：计算的是皮尔逊相关系数，它只度量线性关系。散点图可能显示的是非线性关系（如抛物线）。此时应计算斯皮尔曼等级相关系数（衡量单调关系），或者直接观察图形。高皮尔逊系数也可能受一两个极端离群点驱动，移除离群点后再计算看看。

• 问题：偏度系数很小（接近0），但Q-Q图显示尾部明显偏离直线。

• 排查：偏度主要衡量对称性。分布可能对称但尾部比正态分布更厚或更薄（即峰度不同）。Q-Q图对尾部行为更敏感。应以Q-Q图的结论为准。

7.3 大数据集下的分析挑战

• 挑战：数据集有上百万行，pandas-profiling跑不动，画图卡死。
• 技巧：
  1. 抽样分析：EDA阶段无需使用全量数据。进行分层随机抽样（确保关键类别比例不变），用几千到几万行样本进行分析，结论通常具有代表性。
  2. 增量计算：对于描述统计，可以使用df.describe()或df.agg()，Pandas对数值列的计算是向量化的，效率尚可。避免在大型DataFrame上使用apply进行逐行复杂计算。
  3. 简化可视化：绘制直方图时，可以使用bins=50或更少。散点图务必使用抽样或密度图。
  4. 使用更高效的工具：考虑使用Dask或Vaex库处理远超内存的大数据，或者使用数据库（如SQL）进行聚合统计后再导入分析。

7.4 最终检查清单

在完成特征分布分析、准备进入建模前，对照这个清单快速过一遍：

做完这一切，你对手中的数据就不再是陌生的了。你会清楚地知道哪些特征是可靠的“主力”，哪些是需要小心处理的“问题儿童”，模型的大致方向在哪里。这套流程看似繁琐，但一旦形成习惯，会成为你建模过程中最省时间、最出效果的一环。它不能替代深入的领域知识和复杂的模型调优，但它能确保你的模型是建立在一块坚实、平整的地基之上，而不是流沙之上。